# 使用 TensorFlow 的用于 CIFAR10 的 ConvNets 我們保持層，濾波器及其大小與之前的 MNIST 示例中的相同，增加了一個正則化層。由于此數據集與 MNIST 相比較復雜，因此我們為正則化目的添加了額外的損失層： ```py tf.nn.dropout(layer1_pool, keep_prob) ``` 在預測和評估期間，占位符`keep_prob`設置為 1。這樣我們就可以重復使用相同的模型進行培訓以及預測和評估。 有關 CIFAR10 數據的 LeNet 模型的完整代碼在筆記本 `ch-09b_CNN_CIFAR10_TF_and_Keras` 中提供。 在運行模型時，我們得到以下輸出： ```py Epoch: 0000 loss = 2.115784 Epoch: 0001 loss = 1.620117 Epoch: 0002 loss = 1.417657 Epoch: 0003 loss = 1.284346 Epoch: 0004 loss = 1.164068 Epoch: 0005 loss = 1.058837 Epoch: 0006 loss = 0.953583 Epoch: 0007 loss = 0.853759 Epoch: 0008 loss = 0.758431 Epoch: 0009 loss = 0.663844 Epoch: 0010 loss = 0.574547 Epoch: 0011 loss = 0.489902 Epoch: 0012 loss = 0.410211 Epoch: 0013 loss = 0.342640 Epoch: 0014 loss = 0.280877 Epoch: 0015 loss = 0.234057 Epoch: 0016 loss = 0.195667 Epoch: 0017 loss = 0.161439 Epoch: 0018 loss = 0.140618 Epoch: 0019 loss = 0.126363 Model Trained. Accuracy: 0.6361 ``` 與我們在 MNIST 數據上獲得的準確率相比，我們沒有獲得良好的準確性。通過調整不同的超參數并改變卷積和池化層的組合，可以實現更好的準確性。我們將其作為挑戰，讓讀者探索并嘗試不同的 LeNet 架構和超參數變體，以實現更高的準確性。